Unul dintre cele mai conservatoare aspecte ale finanțelor, decizia de a împrumuta pe cineva, este transformată de scorul de credit condus de IA. Aceasta este o schimbare treptată pentru persoanele a căror istorie de credit este bogată și care au fost cu băncile pentru o perioadă lungă de timp. Ar putea fi schimbătoare de viață, totuși, pentru debitorii cu fișiere subțiri și cei care se află în economia informală. Ei pot fi în cele din urmă detectați, spre deosebire de a fi invizibili pentru sistem. Acest articol discută aplicarea datelor alternative pentru a crea scoruri de credit bazate pe IA pentru persoanele fizice și întreprinderile mici care nu au un registru de credit tradițional, riscul de inechitate și prejudecăți atunci când datele biroului sunt indispon Thin File and Informal Economy Problem Problema fișierelor subțiri și economia informală Evaluările convenționale de credit presupun un fel de existență financiară. Ei presupun că o persoană are un cont bancar, produse financiare oficiale și a împrumutat un împrumut sau a folosit un card de credit anterior. Ei presupun că angajatorii operează un salariu într-un mod formal și comercianții lucrează într-o parte vizibilă a economiei - partea documentată. Practic, o proporție colosală a lumii nu este așa. Adulții tineri nu au adesea împrumuturi sau carduri. Migranții pot avea un fundal de credit bun în țările lor de origine și nimic în afara noilor lor. Majoritatea tranzacțiilor lor sunt efectuate în numerar sau pe platforme digitale care nu raportează birourilor: lucrători de pe stradă, vânzători de magazine informale, și un număr mare de micro Aceste creditori nu sunt neapărat mai riscante; este doar că sistemul este surd și orb la semnalele care caracterizează de fapt viața lor financiară. Conceptul de bază al aplicării AI la scorurile de credit aici este simplu. În cazul în care statisticile biroului sunt lipsite sau prea rare, căutați în altă parte. Există numeroase amprente digitale în viața modernă. Când astfel de amprente sunt colectate într-un mod responsabil cu consimțământul și transformate în semnale mai organizate, pot spune multe despre stabilitatea unei persoane, potențialul lor de câștig și șansele lor de rambursare. Una dintre primele și cele mai valoroase surse este adesea datele de telecomunicații. Operatorii mobili înțeleg cum cineva umple soldurile preplătite în mod regulat, O altă sursă de încredere a puterii de închiriere este comerțul electronic și datele de pe platformele digitale. Puține pot fi conținute în fișierul biroului unui șofer de călătorie, dar o platformă poate accesa numărul de călătorii, veniturile pe săptămână, datele de anulare, recenziile clienților și durata șoferului. Un micro-comerciant ca vânzător pe o piață lasă în urmă un istoric de comenzi finalizate, rambursări făcute, plângeri ridicate, stocuri și modele de creștere. În cazul afacerilor informale, datele platformei pot fi utilizate ca fiind cel mai apropiat echivalent al situațiilor financiare oficiale. În continuare, există un cont bancar, portofel digital și o bancă deschisă API date privind fluxul de numerar. Deși un În situațiile în care angajatorii sunt conectați la serviciile de salarizare, creditorii sunt capabili să confirme angajarea, câștigurile lunare, durata angajării și schimbările de compensație. Pentru cei cu mai multe locuri de muncă cu fracțiune de normă, această imagine compusă va fi mult mai informativă decât un slide de plată. În cele din urmă, cu utilizarea corespunzătoare, datele comportamentale și la nivelul dispozitivului pot fi folosite pentru a ajuta atât în estimarea fraudei, cât și a riscului. Durata timpului în care o persoană a folosit același dispozitiv, regularitatea locațiilor lor de conectare, modul în care folosesc aplicația de-a lungul lunilor, precum și timpul zilei în care fac de obicei tranzacțiile, pot oferi indicatori de autenticitate și stabilitate. Aceste semnale How AI Transforms Sloppy Signals into a Score? Cum transformă AI semnalele sloppy într-un scor? Aceste alte surse de date sunt dens populate și nestructurate. Structura jurnalelor de telecomunicații, a evenimentelor de platformă, a tranzacțiilor bancare și a telemetriei dispozitivelor nu este aceea a unui raport de birou tradițional. Ele sunt puternice, dimensionale și pline de modele de idiosincrație. În acest moment, AI, în special învățarea modernă a mașinilor, este necesară. Ciclul de viață comun începe cu agregarea datelor. Împrumutătorii au acces la parteneri de telecomunicații, feeduri bancare deschise, API-uri de salarizare și parteneri de platformă în condiția legilor privind protecția datelor și a consimțământului direct al clienților. Acestea absoarbe datele brute în medii sigure și le normalizează. Activitățile de reîncărcare a telefonului, creditele portofelului și comenzile de comerț electronic sunt convertite în serii de timp care au formate regulate. Anomaliile inutile și duplicatele sunt eliminate și valorile lipsă sunt procesate. Din aceasta, caracteristicile sunt construite de oamenii de știință de date. Ei creează variabile de rezumat, mai degrabă decât doar alimentarea tuturor tranzacțiilor brute într-un model: fluxul mediu lunar net de numerar; proporția lunilor în care economiile sunt pozitive; cea mai lungă perioadă consecutivă de neplată a creditorilor; lunile de subvenții; creșterea sau degradarea câștigurilor platformei; variabilitatea orelor de lucru; Aceste atribute încearcă să stoarcă viața economică a unui individ în numere care pot fi digerate de model. Arborii de creștere a gradientelor, pădurile aleatorii și rețelele neuronale sunt apoi algoritmi de învățare a mașinilor care sunt instruiți pe date istorice în cazul în care rezultatul este deja cunoscut. În cazul scorurilor de credit, rezultatul este de obicei un default al împrumutătorului pe o perioadă de timp specificată, să spunem șase sau douăsprezece luni. Modelul cunoaște combinații de caracteristici care indică mai mult sau mai puțin risc. Modelele găsite printre subcontractanții umani nu ar fi fost identificate de discernământul uman, cum ar fi interacțiunile minore dintre volatilitatea fluxurilor de numerar și deținerea plat Măsuri cum ar fi AUC, coeficientul Gini și statisticile Kolmogorov-Smirnov sunt folosite pentru a măsura puterea discriminării, în timp ce comploturile de calibrare indică dacă probabilitățile prezise sunt identice cu ratele implicite reale. În plus față de cifrele de titlu, creditorii trebuie să se uite la performanță în funcție de segment: nou-la-credit versus debitori cu experiență, diferite profesii, regiuni și grupuri de venituri. La implementare, modelul va evalua apoi noii solicitanți pe zbor, iar un răspuns va fi furnizat în câteva secunde. Procesul nu se poate termina acolo. 
 
 Această poveste a fost distribuită ca o lansare de Sanya Kapoor în cadrul HackerNoon's Business Blogging Program. This story was distributed as a release by Sanya Kapoor under  . HackerNoon’s Business Blogging Program Programul de blogging de afaceri al HackerNoon Programul de blogging de afaceri al HackerNoon

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Read My Stories

Acest audio este produs în limba originală a poveștii!

Scorul de credit alimentat de IA pentru economia subțire și informală

About Author

COMENTARII

Etichete suspendate

ACEST ARTICOL A FOST PREZENTAT IN

Related Stories

Round the year with the stars by Garrett Putman Serviss - Table of Links

The #bitcoin Writing Contest by Rootstock and HackerNoon: Round 1 Results 🎉

The #bitcoin Writing Contest by Rootstock and HackerNoon: Round 2 Results 🎉

How Soon Can Google Investors Make Bank?

Round the year with the stars by Garrett Putman Serviss - Table of Links

The #bitcoin Writing Contest by Rootstock and HackerNoon: Round 1 Results 🎉

The #bitcoin Writing Contest by Rootstock and HackerNoon: Round 2 Results 🎉

How Soon Can Google Investors Make Bank?

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps